# Einen Zusammenhang prüfen, ohne ihn als Inhaltswirkung auszugeben

Konstruierte Lehrfälle mit vollständigem Kontext. Keine echten Personen, Konten, Zahlungen, Forschungsteilnahmen oder Prognosen.

Verbinde dieselben berechtigten Beobachtungen und prüfe Einheiten, Zeit und Gruppen, bevor du Zusammenhang und Empfindlichkeit beschreibst. Ein Korrelationswert fasst einen bestimmten linearen Zusammenhang zusammen. Er belegt keine Ursache, schließt keine Kurve aus und bestätigt keine Zielgruppenregel. Daten und andere Erklärungen gehören zum Ergebnis.

## Zwei Variablen und wirkliche Paareinheit festlegen

Eine Frage verbindet etwa Bearbeitungsminuten und Antwortereignisse eines Beitrags bei festem Alter. Beide Werte demselben Beitrag mit Quelle, Alter und Fehlendem zuordnen. Getrenntes Sortieren zerstört Paare; ähnliche Titel können verschiedene Beiträge verbinden.

Zahlen, Anteile und Expositionsmöglichkeiten erhalten. Größerer Followerbestand oder längere Beobachtung kann beide Variablen beeinflussen. Fehlende Basis nicht aus anderer Kennzahl erfinden, nur um ein vollständiges Punktdiagramm zu bekommen.

## Form und Streuung vor einem einzelnen Wert prüfen

NIST betrachtet lineare/gebogene Form, wechselnde Streuung und ungewöhnliche Punkte und trennt Zusammenhang von Ursache. Echte Paare zeichnen; eine Verbindungslinie liefert keine zusätzlichen Messungen. Die vollständigen konstruierten Paare im Paket lassen sich auch als Tabelle lesen.

Pearson beschreibt linearen Zusammenhang und ist bei fehlender Variation einer Variable undefiniert. Ein Wert nahe null kann eine Kurve verbergen. Ein großer Betrag kann von einem Punkt oder gemeinsamem Zeittrend abhängen. Beides bestätigt keine kausale Deutung.

## Zeit, Gruppen und gemeinsame Erklärungen erhalten

Prüfe Kalendertrend, Autor, Thema und Verteilungsänderung hinter den Paaren. Mehr Veröffentlichung und mehr Impressionen können während einer Kampagne gleichzeitig auftreten, ohne dass allein die Beiträge den Unterschied verursachen. Teilgruppen brauchen passende Daten statt Suche nach günstiger Auswahl.

Der nächste Schritt kann bessere Messung, eine konkrete Ablaufprüfung oder ein geeigneter Vergleich sein. Keine neue Veröffentlichungsregel allein aus hohem Wert weniger ausgewählter Beiträge wählen. Ohne stärkeren Versuchsaufbau bleibt die Aussage beobachtend.

## Drei konstruierte Zusammenhangsaussagen lösen

C1 — Konstruierte Paare (1,2),(2,4),(3,6),(4,8),(5,10) haben Pearson r=1. Entscheidung: genaue lineare Form beschreiben und gemeinsame Zeit- oder andere Struktur prüfen. Ergebnis: perfekter Zusammenhang in fünf Eingabepaaren, kein Beweis kausalen Verdoppelns.

C2 — Konstruierte x-Werte−2,−1,0,1,2 mit y=4,1,0,1,4 ergeben r=0 bei exaktem y=x². Entscheidung: volle Tabelle und Kurve erhalten. Ergebnis: null linearer Wert belegt weder Unabhängigkeit noch fehlenden Zusammenhang.

C3 — Konstruierte Paare (1,2),(2,4),(3,3),(4,1),(20,20) ergeben r=0,972; ohne letzten Punkt r=−0,4. Entscheidung: ungewöhnlichen Wert prüfen, bei Gültigkeit erhalten und volle Rechnung samt Empfindlichkeit zeigen. Ergebnis: kein Freibrief zum Löschen eines unerwünschten Punkts.

| Paar | x | y = x² |
| --- | --- | --- |
| 1 | −2 | 4 |
| 2 | −1 | 1 |
| 3 | 0 | 0 |
| 4 | 1 | 1 |
| 5 | 2 | 4 |

## Eine Quellenprüfung statt automatischem Ausschluss machen

Ein ungewöhnlicher Punkt kann echt sein, eine andere Einheit, Eingabefehler oder Quellenproblem. Original und Korrekturbeleg erhalten. Ausschlussregel und Grund einschließlich nachträglicher Wahl nennen. Unverfügbares nicht still null setzen.

Eine vollständige Notiz nennt Auswahl/Paarung, Kennzahlalter, gegebenenfalls Koeffizient, Form, empfindliche Punkte und andere Erklärungen. Sie macht aus dem Punktdiagramm weder Prognoseintervall noch kontrolliertes Experiment. Eine offene Ursachenfrage ist ein nützliches Ergebnis.

## Paare und begrenzte Deutung sichern

Der Bogen erhält Paareinheit, Variablendefinitionen, Quelle, Auswahl, Fehlendes, Diagramm-/Tabellenprüfung, optionalen Koeffizient und Empfindlichkeitsentscheidung. Die Offlinerechnung reproduziert genau diese Zahlen, prüft keinen echten Export und sammelt keine privaten Profildaten.

Primärhilfe wurde am 1. November 2026 gelesen. Alle Paare sind konstruiert. Keine echten Inhalte, Zielgruppen, Kampagnen oder Ursachenwirkungen wurden beobachtet; die Übung ist keine neue Populationsstudie.

## Primärquellen

- [NIST: scatter plots, shapes and association limits](https://www.itl.nist.gov/div898/handbook/eda/section3/eda33q.htm)